Tarea 1

Maria Jose Meisel

Librerias

import numpy as np
import pandas as pd
from bokeh.io import curdoc, output_notebook
from bokeh.models import HoverTool, ColumnDataSource, CategoricalColorMapper, Slider, CustomJS
from bokeh.palettes import Spectral6
from bokeh.layouts import widgetbox, row
from ipywidgets import interact
from bokeh.io import push_notebook, show, output_notebook
from bokeh.layouts import column
from bokeh.plotting import Figure, output_file, show
import plotly.express as px
import seaborn as sns
import matplotlib.pyplot as plt
import altair as alt
import warnings
from plotly.graph_objects import Layout
import plotly.graph_objects as go
import plotly.figure_factory as ff
warnings.filterwarnings('ignore')

1.1

Descargue el conjunto de datos y formatéelo como un DataFrame de pandas.

data_1=pd.read_csv('https://raw.githubusercontent.com/lihkirun/AppliedStatisticMS/main/DataVisualizationRPython/Lectures/Python/PythonDataSets/athlete_events.csv')
data_1.head()

	ID	Name	Sex	Age	Height	Weight	Team	NOC	Games	Year	Season	City	Sport	Event	Medal
0	1	A Dijiang	M	24.0	180.0	80.0	China	CHN	1992 Summer	1992	Summer	Barcelona	Basketball	Basketball Men's Basketball	NaN
1	2	A Lamusi	M	23.0	170.0	60.0	China	CHN	2012 Summer	2012	Summer	London	Judo	Judo Men's Extra-Lightweight	NaN
2	3	Gunnar Nielsen Aaby	M	24.0	NaN	NaN	Denmark	DEN	1920 Summer	1920	Summer	Antwerpen	Football	Football Men's Football	NaN
3	4	Edgar Lindenau Aabye	M	34.0	NaN	NaN	Denmark/Sweden	DEN	1900 Summer	1900	Summer	Paris	Tug-Of-War	Tug-Of-War Men's Tug-Of-War	Gold
4	5	Christine Jacoba Aaftink	F	21.0	185.0	82.0	Netherlands	NED	1988 Winter	1988	Winter	Calgary	Speed Skating	Speed Skating Women's 500 metres	NaN

Filtra el DataFrame para incluir solo las filas correspondientes a los ganadores de medallas de 2016

dt_2016 = data_1[data_1['Year'] == 2016]
dt_2016.head()

	ID	Name	Sex	Age	Height	Weight	Team	NOC	Games	Year	Season	City	Sport	Event	Medal
80	22	Andreea Aanei	F	22.0	170.0	125.0	Romania	ROU	2016 Summer	2016	Summer	Rio de Janeiro	Weightlifting	Weightlifting Women's Super-Heavyweight	NaN
139	51	Nstor Abad Sanjun	M	23.0	167.0	64.0	Spain	ESP	2016 Summer	2016	Summer	Rio de Janeiro	Gymnastics	Gymnastics Men's Individual All-Around	NaN
140	51	Nstor Abad Sanjun	M	23.0	167.0	64.0	Spain	ESP	2016 Summer	2016	Summer	Rio de Janeiro	Gymnastics	Gymnastics Men's Floor Exercise	NaN
141	51	Nstor Abad Sanjun	M	23.0	167.0	64.0	Spain	ESP	2016 Summer	2016	Summer	Rio de Janeiro	Gymnastics	Gymnastics Men's Parallel Bars	NaN
142	51	Nstor Abad Sanjun	M	23.0	167.0	64.0	Spain	ESP	2016 Summer	2016	Summer	Rio de Janeiro	Gymnastics	Gymnastics Men's Horizontal Bar	NaN

Enumera los cinco deportes más importantes en función del mayor número de medallas concedidas. Filtra el DataFrame una vez más para incluir solo los registros de los cinco deportes principales en 2016.

tab=pd.crosstab(index =  dt_2016['Sport'], columns =  dt_2016['Medal'])
tab['total_medal']=tab['Bronze']+tab['Gold']+tab['Silver']
tab.nlargest(5,'total_medal')

Medal	Bronze	Gold	Silver	total_medal
Sport
Athletics	62	66	64	192
Swimming	57	71	63	191
Rowing	48	48	48	144
Football	36	35	35	106
Hockey	33	34	32	99

dt_sport=dt_2016[dt_2016.Sport.isin(['Athletics', 'Swimming','Rowing','Football','Hockey'])]

Genere un gráfico de barras con los recuentos de registros correspondientes a cada uno de los cinco deportes principales.

sns.catplot("Sport", data = dt_sport, aspect = 1.5, kind = "count", color = "indigo")

<seaborn.axisgrid.FacetGrid at 0x22e6118d2b0>

Generar un histograma para la característica Edad de todos los ganadores de medallas en los cinco deportes principales (2016).

sns.histplot(data=dt_sport, x="Age",color="indigo")

<AxesSubplot:xlabel='Age', ylabel='Count'>

Genera un gráfico de barras que indique cuántas medallas ganó el equipo de cada país en los cinco deportes principales en 2016.

pais=dt_sport.dropna()
ax=sns.catplot("NOC", data = pais, aspect = 1.5, kind = "count", color = "indigo")
ax.set_xticklabels(rotation=90)

<seaborn.axisgrid.FacetGrid at 0x22e61590e20>

Genere un gráfico de barras que indique el peso medio de los jugadores, clasificados en función del género, que ganaron en los cinco principales deportes en 2016.

sns.set(style = "whitegrid")
ax = sns.barplot(x = "Sex", y = "Weight", data = dt_sport, estimator = np.mean)

1.2

Descargue el conjunto de datos y formatéelo como un pandas DataFrame

Filtrar el DataFrame para incluir únicamente las filas correspondientes a los ganadores de medallas de 2016 en los deportes mencionados en la descripción de la actividad

dt_2016 = data_1[data_1['Year'] == 2016]
tab=pd.crosstab(index =  dt_2016['Sport'], columns =  dt_2016['Medal'])
tab['total_medal']=tab['Bronze']+tab['Gold']+tab['Silver']
tab.nlargest(5,'total_medal')
dt_sport=dt_2016[dt_2016.Sport.isin(['Athletics', 'Swimming','Rowing','Football','Hockey'])]

Observe las características del conjunto de datos y anote su tipo de datos: ¿son categóricos o numéricos?

Variables Numericas

dt_sport.describe()

	ID	Age	Height	Weight	Year
count	5489.000000	5489.000000	5355.000000	5356.000000	5489.0
mean	67945.007834	25.137730	177.594211	70.231329	2016.0
std	39584.115570	4.602689	10.541992	14.761764	0.0
min	55.000000	13.000000	143.000000	38.000000	2016.0
25%	33002.000000	22.000000	170.000000	60.000000	2016.0
50%	69691.000000	25.000000	178.000000	69.000000	2016.0
75%	101954.000000	28.000000	185.000000	79.000000	2016.0
max	135547.000000	56.000000	209.000000	165.000000	2016.0

Variables Categoricas

dt_sport.describe(include=object)

	Name	Sex	Team	NOC	Games	Season	City	Sport	Event	Medal
count	5489	5489	5489	5489	5489	5489	5489	5489	5489	732
unique	4620	2	205	205	1	1	1	5	99	3
top	Sarah Frederica Sjstrm	M	United States	USA	2016 Summer	Summer	Rio de Janeiro	Athletics	Football Men's Football	Gold
freq	7	2904	319	319	5489	5489	5489	2508	270	254

Evaluar cuál sería la visualización adecuada para que un patrón global represente las características de height y weight

ax = sns.scatterplot(x="Height", y="Weight", data=dt_sport,color='Indigo')

Evaluar cuál sería la visualización adecuada para representar las estadísticas resumidas de las características de height y weight en función de las medallas, separadas además por género de los atletas.

grid = sns.FacetGrid(dt_sport, col = "Medal", hue = "Sex")
grid.map(sns.scatterplot, "Weight", "Height")
grid.add_legend()
plt.show()

Vuelve a crear el DataFrame de las emisiones de dióxido de carbono y del PIB.

gm=pd.read_csv('gapminder.csv')
co2=pd.read_csv('co2.csv')
df_gm = gm[['Country', 'region']].drop_duplicates()
df_w_regions = pd.merge(co2, df_gm, left_on='country', right_on='Country', how='inner')
df_w_regions = df_w_regions.drop('Country', axis='columns')
new_co2 = pd.melt(df_w_regions, id_vars=['country', 'region'])
columns = ['country', 'region', 'year', 'co2']
new_co2.columns = columns

df_co2 = new_co2[new_co2['year'].astype('int64') > 1963]
df_co2 = df_co2.sort_values(by=['country', 'year'])
df_co2['year'] = df_co2['year'].astype('int64')
df_gdp = gm[['Country', 'Year', 'gdp']]
df_gdp.columns = ['country', 'year', 'gdp']
data = pd.merge(df_co2, df_gdp, on=['country', 'year'], how='left')
data = data.dropna()
data.head()

	country	region	year	co2	gdp
0	Afghanistan	South Asia	1964	0.0863	1182.0
1	Afghanistan	South Asia	1965	0.1010	1182.0
2	Afghanistan	South Asia	1966	0.1080	1168.0
3	Afghanistan	South Asia	1967	0.1240	1173.0
4	Afghanistan	South Asia	1968	0.1160	1187.0

Crea un gráfico de dispersión con los ejes x e y como year y co2 respectivamente. Añada un para los valores de co2 con el parámetro marginaly_y.

fig = px.scatter(df_co2, x="year", y="co2", color="region", symbol="region",color_discrete_sequence= px.colors.sequential.Plasma_r,)
fig.update_layout({
'plot_bgcolor': 'rgba(0, 0, 0, 0)',
'paper_bgcolor': 'rgba(0, 0, 0, 0)',
})
fig.show()

Crea un gráfico de caja para los valores del PIB con el parámetro marginal_x. Añada los parámetros de parámetros de animación en la columna del año

fig = px.box(data, x="gdp", y="region",color="region",
                   color_discrete_sequence= px.colors.sequential.Plasma_r,)
fig.update_layout({
'plot_bgcolor': 'rgba(0, 0, 0, 0)',
'paper_bgcolor': 'rgba(0, 0, 0, 0)',
})

fig.show()

Crea un gráfico de dispersión con los ejes x e y como gdp y co2 respectivamente.

xmin, xmax = min(data.gdp), max(data.gdp)
ymin, ymax = min(data.co2), max(data.co2)
fig = px.scatter(data, 
                 x="gdp", y="co2", 
                 animation_frame="year",
                 animation_group="country", 
                 color="region", 
                 width=1579, height=400, 
                 log_x=True, 
                 size_max=45,
                 range_x=[xmin,xmax],
                 range_y=[ymin,ymax],
                color_discrete_sequence= px.colors.sequential.Plasma_r)
fig.update_layout({
'plot_bgcolor': 'rgba(0, 0, 0, 0)',
'paper_bgcolor': 'rgba(0, 0, 0, 0)',
})
fig.show()

Cree un contorno de densidad con los ejes x e y como pib y co2 respectivamente.

fig = px.histogram(data, x="gdp", y="co2", color="region", marginal="rug",hover_data=data.columns)
fig.update_layout({
'plot_bgcolor': 'rgba(0, 0, 0, 0)',
'paper_bgcolor': 'rgba(0, 0, 0, 0)',
})
fig.show()

1.4

Descargue el conjunto de datos googleplaystore.csv y formatéelo como un pandas DataFrame

df = pd.read_csv('googleplaystore.csv')
df.head()

	App	Category	Rating	Reviews	Size	Installs	Type	Price	Content Rating	Genres	Last Updated	Current Ver	Android Ver
0	Photo Editor & Candy Camera & Grid & ScrapBook	ART_AND_DESIGN	4.1	159	19M	10,000+	Free	0	Everyone	Art & Design	January 7, 2018	1.0.0	4.0.3 and up
1	Coloring book moana	ART_AND_DESIGN	3.9	967	14M	500,000+	Free	0	Everyone	Art & Design;Pretend Play	January 15, 2018	2.0.0	4.0.3 and up
2	U Launcher Lite – FREE Live Cool Themes, Hide ...	ART_AND_DESIGN	4.7	87510	8.7M	5,000,000+	Free	0	Everyone	Art & Design	August 1, 2018	1.2.4	4.0.3 and up
3	Sketch - Draw & Paint	ART_AND_DESIGN	4.5	215644	25M	50,000,000+	Free	0	Teen	Art & Design	June 8, 2018	Varies with device	4.2 and up
4	Pixel Draw - Number Art Coloring Book	ART_AND_DESIGN	4.3	967	2.8M	100,000+	Free	0	Everyone	Art & Design;Creativity	June 20, 2018	1.1	4.4 and up

Elimina las entradas del DataFrame que tienen valores de característica de NA.

df.dropna(inplace=True)
df.shape

(9360, 13)

Cree el gráfico de barras necesario del número de aplicaciones en cada categoría Content Rating

graph=df.sample(n=5000, random_state=1)
alt.Chart(graph).mark_bar().encode(
    x = 'Content Rating:N',
    y = 'count():Q'
).properties(width=350)

Cree el mapa de calor necesario indicando el número de aplicaciones en la app en rangos Category y Rating

alt.Chart(graph).mark_rect().encode(
    alt.X('Category', bin = False),
    alt.Y('Rating', bin = True),
    alt.Color('count()', scale=alt.Scale(scheme='greenblue'), legend=alt.Legend(title='App'))
).properties(width=350)

Combine el código del gráfico de barras y del mapa de calor y cree una visualización con ambos gráficos vinculados dinámicamente entre sí.

bars = alt.Chart(graph).mark_bar().encode(
    x = 'Content Rating:N',
    y = 'count():Q'
).properties(width=350)

heatmap = alt.Chart(graph).mark_rect().encode(
    alt.X('Category', bin = False),
    alt.Y('Rating', bin = True),
    alt.Color('count()', scale=alt.Scale(scheme='greenblue'), legend=alt.Legend(title='App'))
).properties(width=350)
bars | heatmap

Interprete cada visualización

El grafico de barras para Content Rating nos permite concluir que la mayoria de aplicaciones son hechas para todo publico. El mapa de calor nos permite concluir que las apps de familia y finanzas tiene mejor que rating que las demas apps.